动手学深度学习day4（图像分类数据集）

softmax回归的从零开始实现：
 

%matplotlib inline
import torch
import torchvision #pytorch用于计算机视觉的一个库
from torch.utils import data
from torchvision import transforms #导入对数据操作的模具
from d2l import torch as d2l



#              --------1--------
# 获取数据集的标签
def get_fashion_mnist_labels(labels):  # @save
    """返回Fashion-MNIST数据集的文本标签"""
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]

# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
# 并除以255使得所有像素的数值均在0～1之间
trans = transforms.ToTensor() #对图片进行预处理，转换为tensor格式

# 下载训练集和测试集，并保存
mnist_train = torchvision.datasets.FashionMNIST(
	root="../data", train=True, transform=trans,download=True)
mnist_train = torchvision.datasets.FashionMNIST(
	root="../data", train=False, transform=trans,download=True)

# 输出训练集和测试集的大小
len(mnist_train), len(mnist_test)

# 索引到第一张图片
mnist_train[0][0].shape # 输入图像的通道数、高度和宽度


#              --------2--------
# 获取数据集的标签
def get_fashion_mnist_labels(labels): #@save
	"""返回Fashion-MNIST数据集的文本标签"""
	text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_lables[int(i)] for i in labels]


#              --------3--------
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
	"""绘制图像列表"""
	figsize = (num_cols * scale, num_rows * scale)
	
	# 第1个参数是个图，一般不用；第2个axer类似于图片的索引矩阵（行，列）
	_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize) # axes：轴
	axes = axes.flatten()

	# 遍历生成形如i, (ax, img)形式的enumerate对象
	for i, (ax, img) in enumerate(zip(axes, imgs)):
		if torch.is_tensor(img):
			# 图片张量
			ax.imshow(img.numpy())
			
		else:
			# PIL图片
			ax.imshow(img)
		ax.axes.get_xaxis().set_visible(False) #x轴隐藏
		ax.axes.get_yaxis().set_visible(False) #y轴隐藏
		if titles:
			ax.set_title(title[i]) #显示标题
	return axes



#              ------4--------
# 绘制图表
# 使用next()函数获取批量大小为18的训练集的图像和标签
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))

#显示18张图片，宽度为28，长度为28，总共为2行9列
# 绘制两行图片，每一行有9张图片，并获取标签
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));

# pylab.show()  查看图表


#              ------5--------
# 读取小批量
batch_size = 256

def get_dataloader_workers(): #@save
	"""使用4个进程来读取数据"""
	return 4

# 训练集需要设置shuffle=True打乱顺序
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,
							 num_workers=get_dataloader_workers())


#              ------6--------
# 查看读取时间
timer = d2l.Timer() #调用Timer函数，测试速度
for X, y in train_iter:
	continue
f'{timer.stop():.2f} sec' #输出读取数据所用的秒数，精度为2位小数


#              ------7--------
# 整合所有组件
def load_data_fashion_mnist(batch_size, resize=None):  # @save
    """下载Fashion-MNIST数据集，然后将其加载到内存中"""
    # 转换为tensor
    trans = [transforms.ToTensor()]

    if resize:
        trans.insert(0, transforms.Resize(resize))  # 0在此处是索引
    # compose整合步骤
    trans = transforms.Compose(trans)

    # 下载训练集和测试集，将小批量样本返回到train_iter中，用于之后的训练
    mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    mnist_test = torchvision.datasets.FashionMNIST(
        root="../data", train=False, transform=trans, download=True)
    return (data.DataLoader(mnist_train, batch_size, shuffle=True,
                            num_workers=get_dataloader_workers()),
            data.DataLoader(mnist_test, batch_size, shuffle=False,
                            num_workers=get_dataloader_workers()))



#              ------8--------
# 通过resize参数来测试load_data_fashion_mnist函数的图像大小调整功能
train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:
	print(X.shape, X.dtype, y.shape, y.dtype)
	break

[text_labels[int(i)] for i in labels]

# 遍历labels列表中的每个元素i。
# 对于每个i，使用int(i)将其转换为整数。
# 使用转换后的整数索引去访问text_labels列表中的对应元素。
# 将所有访问到的元素收集到一个新的列表中。

import matplotlib.pyplot as plt  
  
# 假设num_rows, num_cols, 和 figsize 已经定义好了  
fig, axes = plt.subplots(num_rows, num_cols, figsize=figsize)  
  
# 现在你可以使用fig来访问整个图表对象（例如，设置标题），  
# 使用axes来访问和操作子图（Axes）对象  
# 如果num_rows和num_cols都大于1，axes将是一个二维数组  
# 你可以通过axes[i, j]来访问第i行第j列的子图  
  
# 示例：遍历所有子图并设置标题  
for i in range(num_rows):  
    for j in range(num_cols):  
        axes[i, j].set_title(f'Axes {i}, {j}')  
  
# 显示图表  
plt.show()

for i, (ax, img) in enumerate(zip(axes, imgs))

zip(axes, imgs)：
# zip函数是Python中的一个内置函数，用于将多个可迭代对象（如列表、元组等）作为参数，并将它们“打包”成一个迭代器，该迭代器生成一个元组序列，其中每个元组包含来自每个参数序列的对应位置的元素。
# 在这个例子中，axes和imgs是两个可迭代对象，分别包含了多个子图（Axes）对象和图像（或图像数据）对象。zip(axes, imgs)会生成一个迭代器，该迭代器按顺序产出(ax, img)对，其中ax是axes列表中的一个子图对象，img是imgs列表中与ax相对应位置的一个图像对象。

enumerate(...)：
# enumerate函数是另一个内置函数，用于将一个可迭代对象（如列表、元组、字符串等）组合为一个索引序列，同时列出数据和数据下标，一般用在for循环当中。
# 在这里，enumerate(zip(axes, imgs))会遍历zip(axes, imgs)生成的迭代器，并为每个(ax, img)对提供一个索引i。这样，在for循环的每次迭代中，你都会得到一个元组(i, (ax, img))，其中i是当前迭代的索引（从0开始），(ax, img)是当前位置上的子图对象和图像对象。

for i, (ax, img) in enumerate(zip(axes, imgs)):：
# 这行代码将上述两个概念结合在一起，通过for循环遍历zip(axes, imgs)生成的迭代器，并在每次迭代中解包得到索引i和子图-图像对(ax, img)。
# 这使得你可以在循环体内使用i来访问当前迭代的索引（例如，用于日志记录或条件判断），同时使用ax和img来分别操作当前的子图对象和图像对象（例如，在子图ax上显示图像img）。
# 这种用法在处理多个子图和相应的图像数据时非常有用，因为它提供了一种简洁而强大的方式来遍历这些元素对，并对它们执行操作。

continue在循环语句中的使用：

numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]  
  for number in numbers:  
    if number % 2 == 0:  # 检查数字是否为偶数  
        continue  # 如果是偶数，则跳过当前迭代  
    print(number)  # 打印奇数



for i in range(1, 4):  # 外层循环  
    for j in range(1, 10):  # 内层循环  
        if j % i == 0:  # 如果j能被i整除  
            continue  # 这里只会影响内层循环，跳到内层循环的下一个迭代  
        print(f"{i}x{j}={i*j}", end=' ')  
    print()  # 打印换行符，以便区分不同的i值